Hive 快速上手--官网中文翻译 - Hive

Hadoop 2。x(首选),1。x (Hive 2.0.0以后不支持)。Hive版本高达0.13也支持Hadoop 0.20。x, 0.23.x。
Hive通常用于生产Linux和Windows环境。Mac是一种常用的开发环境。本文档中的说明适用于Linux和Mac。在Windows上使用它需要稍微不同的步骤。

从一个稳定的发行版安装Hive

首先从Apache下载镜像之一下载Hive的最新稳定版本(参见Hive版本)。接下来，您需要解压tarball。这将创建一个名为hive-x.y的子目录。z (x.y。z为发行号):

 $ tar -xzvf hive-x.y.z.tar.gz

设置环境变量HIVE_HOME指向安装目录:

  $ cd hive-x.y.z
  $ export HIVE_HOME={{pwd}}

最后，将$HIVE_HOME/bin添加到您的路径:

$ export PATH=$HIVE_HOME/bin:$PATH

编译Hive源码

最新Hive代码的Hive GIT存储库位于这里:GIT克隆https://git-wip-us.apache.org/repos/asf/hive.git(主分支)。

所有发布版本都在名为“branch-0”的分支中。#”或“为1。#“或即将到来的”分支-2。，除了在“branch-0.8-r2”中发布的0.8.1版本。任何具有其他名称的分支都是正在进行的工作的特性分支。有关详细信息，请参见理解Hive分支。

从0.13开始，Hive使用Apache Maven构建。

编译主干的Hive

要从主分支编译Hive源码

  $ git clone https://git-wip-us.apache.org/repos/asf/hive.git
  $ cd hive
  $ mvn clean package -Pdist
  $ cd packaging/target/apache-hive-{version}-SNAPSHOT-bin/apache-hive-{version}-SNAPSHOT-bin
  $ ls
  LICENSE
  NOTICE
  README.txt
  RELEASE_NOTES.txt
  bin/(所有shell脚本)
  lib/(需要的jar文件)
  conf /(配置文件)
  examples/(示例输入和查询文件)
  hcatalog / (hcatalog安装)
  scripts/ (hive-metastore的升级脚本)

这里，{version}引用当前Hive版本。

如果使用Maven (mvn)构建Hive源代码，对于页面的其余部分，我们将把目录“/packaging/target/apache-hive-{version}- snapshot -bin/apache-hive-{version}- snapshot -bin”作为<install-dir>。

编译分支branch-1

在branch-1中，Hive同时支持Hadoop 1.x和2.x。您需要通过Maven配置文件指定针对哪个版本的Hadoop构建。针对Hadoop 1.x构建。x使用profile hadoop-1;Hadoop 2.x hadoop-2使用。例如，针对Hadoop 1构建。，上述mvn命令变为:

$ mvn clean package -Phadoop-1,dist

在Hadoop 0.20上在0.13之前编译Hive

在Hive 0.13之前，Hive是使用Apache Ant构建的。要在Hadoop 0.20上构建一个较老版本的Hive:

 $ svn co http://svn.apache.org/repos/asf/hive/branches/branch-{version} hive
  $ cd hive
  $ ant clean package
  $ cd build/dist
  # ls
  LICENSE
  NOTICE
  README.txt
  RELEASE_NOTES.txt
  bin/(所有shell脚本)
  lib/(需要的jar文件)
  conf /(配置文件)
  examples/(示例输入和查询文件)
  hcatalog / (hcatalog安装)
  scripts/ (hive-metastore的升级脚本)

如果使用Ant，我们将把目录“build/dist”称为<install-dir>。

在Hadoop 0.23上在0.13之前编译Hive(Ant)

要在Ant中针对Hadoop 0.23、2.0.0或其他版本构建Hive，请使用适当的标志进行构建;一些例子如下:

 $ ant clean package -Dhadoop.version=0.23.3 -Dhadoop-0.23.version=0.23.3 -Dhadoop.mr.rev=23
 $ ant clean package -Dhadoop.version=2.0.0-alpha -Dhadoop-0.23.version=2.0.0-alpha -Dhadoop.mr.rev=23

运行Hive

Hive使用Hadoop，所以:

您的路径中必须有Hadoop或
export HADOOP_HOME = < hadoop-install-dir >

此外，您必须使用下面的HDFS命令来创建/tmp和/user/hive/warehouse(也就是hive.metastore.warehouse.dir)，并将它们设置为chmod g+w，然后才能在hive中创建表。

 $ $HADOOP_HOME/bin/hadoop fs -mkdir       /tmp
 $ $HADOOP_HOME/bin/hadoop fs -mkdir       /user/hive/warehouse
 $ $HADOOP_HOME/bin/hadoop fs -chmod g+w   /tmp
 $ $HADOOP_HOME/bin/hadoop fs -chmod g+w   /user/hive/warehouse

你可能会发现设置HIVE_HOME是有用的，但不是必须的:

$ export HIVE_HOME=<hive-install-dir>

运行Hive CLI

要从shell中使用Hive命令行接口(CLI):

 $ $HIVE_HOME/bin/hive

运行HiveServer2 和 Beeline

从Hive 2.1开始，我们需要运行下面的schematool命令作为初始化步骤。例如，我们可以使用“derby”作为db类型。

$ $HIVE_HOME/bin/schematool -dbType <db type> -initSchema

HiveServer2(在Hive 0.11中引入)有自己的CLI，称为Beeline。由于缺少HiveServer2的多用户、安全性和其他功能，HiveCLI现在不支持使用Beeline。在命令行运行HiveServer2和Beeline:

 $ $HIVE_HOME/bin/hiveserver2

 $ $HIVE_HOME/bin/beeline -u jdbc:hive2://$HS2_HOST:$HS2_PORT

Beeline是由HiveServer2的JDBC URL启动的，这取决于HiveServer2启动的地址和端口。默认情况下，它是(localhost:10000)，因此地址看起来像jdbc:hive2://localhost:10000。

或启动Beeline和HiveServer2在相同的过程中进行测试，以获得与HiveCLI类似的用户体验:

 $ $HIVE_HOME/bin/beeline -u jdbc:hive2://

运行HCatalog

要在Hive版本0.11.0或更高版本中从shell运行HCatalog服务器:

$ $HIVE_HOME/hcatalog/sbin/hcat_server.sh

要在Hive版本0.11.0及以后版本中使用HCatalog命令行接口(CLI):

 $ $HIVE_HOME/hcatalog/bin/hcat

有关更多信息，请参见HCatalog手册中的Tarball和HCatalog CLI中的HCatalog安装。

运行WebHCat (Templeton)

要在Hive版本0.11.0或更高版本中从shell运行WebHCat服务器:

 $ $HIVE_HOME/hcatalog/sbin/webhcat_server.sh

有关更多信息，请参见WebHCat手册中的WebHCat安装。

配置管理概述

Hive默认情况下从<install-dir>/conf/ Hive -default.xml获取配置
可以通过设置HIVE_CONF_DIR环境变量来更改Hive配置目录的位置。
配置变量可以在<install-dir>/conf/hive-site.xml中重新定义
Log4j配置存储在<install-dir>/conf/ hivelog4j .properties中
Hive配置是Hadoop之上的一个覆盖——默认情况下它继承Hadoop配置变量。
Hive配置可以通过:
- 编辑hive-site.xml并在其中定义任何所需的变量(包括Hadoop变量)
- 使用set命令(参见下一节)
- 调用Hive(已废弃)，Beeline或HiveServer2使用语法:
  - $ bin/hive——hiveconf x1=y1——hiveconf x2=y2 //这将变量x1和x2分别设置为y1和y2
  - $ bin/hiveserver2——hiveconf x1=y1——hiveconf x2=y2 //这将服务器端变量x1和x2分别设置为y1和y2
  - $ bin/beeline——hiveconf x1=y1——hiveconf x2=y2 //这将客户端变量x1和x2分别设置为y1和y2。
- 将HIVE_OPTS环境变量设置为“—hiveconf x1=y1—hiveconf x2=y2”，执行与上面相同的操作。

动态修改配置

Hive查询使用map-reduce查询执行，因此，此类查询的行为可以由Hadoop配置变量控制。
HiveCLI(已废弃)和Beeline命令“SET”可用于设置任何Hadoop(或Hive)配置变量。例如:
```
beeline> SET mapred.job.tracker=myhost.mycompany.com:50030;
beeline> SET -v;
```
后者显示所有当前设置。没有-v选项，只显示与基本Hadoop配置不同的变量。

Hive, Map-Reduce和Local-Mode

Hive编译器为大多数查询生成map-reduce作业。然后将这些作业提交给变量表示的Map-Reduce集群:

mapred.job.tracker

虽然这通常指向具有多个节点的map-reduce集群，Hadoop还提供了一个很棒的选项，可以在用户的工作站上本地运行map-reduce作业。这对于在小型数据集上运行查询非常有用——在这种情况下，本地模式执行通常比向大型集群提交作业快得多。从HDFS透明地访问数据。相反，本地模式只运行一个reducer，处理较大的数据集可能非常慢。

从0.7版本开始，Hive完全支持本地模式执行。要启用此功能，用户可以启用以下选项:

 hive> SET mapreduce.framework.name=local;

此外,mapred.local。dir应该指向本地机器上有效的路径(例如/tmp/<username>/mapred/local)。(否则，用户将获得分配本地磁盘空间的异常。)

从0.7版开始，Hive还支持在本地模式下自动运行map-reduce作业的模式。相关选项是hive.exec.mode.local.auto、 hive.exec.mode.local.auto.inputbytes.max、 hive.exec.mode.local.auto.tasks.max:

 hive> SET hive.exec.mode.local.auto=false;

注意，此功能在默认情况下是禁用的。如果启用，Hive将分析查询中每个map-reduce作业的大小，如果满足以下阈值，则可以在本地运行它:

作业的总输入大小小于:hive.execl .mode.local.auto.inputbytes。最大(默认为128MB)
map-tasks的总数小于:hive.execd .mode.local.auto.tasks。max(默认为4)
所需的reduce任务总数为1或0。

因此，对于小数据集上的查询，或者对于具有多个map-reduce作业的查询，其中后续作业的输入要小得多(由于前一个作业中的reduce /过滤)，作业可以在本地运行。

注意，Hadoop服务器节点和运行Hive客户机的机器的运行时环境可能有所不同(因为不同的jvm版本或不同的软件库)。在本地模式下运行时，这可能会导致意外的行为/错误。还要注意，本地模式执行是在单独的子jvm (Hive客户机的子jvm)中完成的。如果用户愿意，可以通过选项hive.map .local.mem控制子jvm的最大内存。默认情况下，它被设置为零，在这种情况下，Hive允许Hadoop确定子jvm的默认内存限制。

Hive日志

Hive使用log4j进行日志记录。默认情况下，CLI不会将日志发送到控制台。默认的日志记录级别在0.13.0之前是警告。从Hive 0.13.0开始，默认日志级别是INFO。

日志存储在/tmp/<user.name>目录中:

/tmp/<user.name>/hive.log

注意:在本地模式下，Hive 0.13.0之前的日志文件名是“”。log而不是hive.log。这个bug在0.13.0版本中得到了修复(参见HIVE-5528和HIVE-5676)。

若要配置不同的日志位置，请设置hive.log。在HIVE_HOME美元/ conf / hive-log4j.properties dir。确保目录权限设置(chmod 1777 <dir>)。

hive.log.dir=<other_location>

如果用户愿意，可以通过添加如下参数将日志发送到控制台:

bin/hive --hiveconf hive.root.logger=INFO,console //用于HiveCLI (已废弃)
bin/hiveserver2 --hiveconf hive.root.logger=INFO,console

注意，设置通过'set'命令设置hive.root.logger的日志记录器不会更改日志属性，因为它们是在初始化时确定的。

Hive还在/tmp/<user.name>/中存储每个Hive会话上的查询日志，但是可以在Hive -site.xml中通过hive.querylog.location配置。从Hive 1.1.0开始，可以通过设置hive.log.explain.output在INFO级别记录查询的EXPLAIN EXTENDED输出。输出属性为true。

Hadoop集群上Hive执行期间的日志记录由Hadoop配置控制。通常Hadoop会为每个map生成一个日志文件，并减少存储在执行任务的集群机器上的任务。可以通过单击Hadoop JobTracker Web UI中的Task Details页面来获得日志文件。

当使用本地模式(使用mapreduce.framework.name=local)时，Hadoop/Hive执行日志在客户机上生成。从release 0.6开始——Hive使用Hive - execl -log4j。属性(回到hive-log4j。属性(仅当它丢失时)来确定默认情况下这些日志被交付到何处。默认配置文件为在本地模式下执行的每个查询生成一个日志文件，并将其存储在/tmp/<user.name>下。提供单独配置文件的目的是，如果需要，管理员可以集中执行日志捕获(例如，在NFS文件服务器上)。执行日志对于调试运行时错误非常有用。

有关WebHCat错误和日志记录的信息，请参阅WebHCat手册中的错误代码、响应和日志文件。

错误日志对于调试问题非常有用。请将它们与任何bug(其中有许多bug !)一起发送到hive-dev@hadoop.apache.org。

从Hive 2.1.0开始(使用Hive -13027)， Hive默认使用Log4j2的异步日志记录器。设置hive.async.log.enabled为false将禁用异步日志记录并退回到同步日志记录。异步日志记录可以显著提高性能，因为日志记录将在使用LMAX破坏者队列缓冲日志消息的单独线程中处理。请参考https://logging.apache.org/log4j/2.x/manual/async.html了解优点和缺点。

HiveServer2日志

HiveServer2操作日志从Hive 0.14开始对客户机可用。有关配置，请参见HiveServer2日志记录

审查日志

每次调用metastore API时，都会从Hive metastore服务器上记录下审计日志。

审计日志具有该函数，一些相关的函数参数记录在metastore日志文件中。它记录在log4j的INFO级别，因此您需要确保启用了INFO级别的日志记录(参见HIVE-3505)。日志条目的名称是“HiveMetaStore.audit”。

Hive 0.7中添加了安全客户机连接的审计日志(Hive -1948)， Hive 0.10中添加了非安全连接的审计日志(Hive -3277);也看到Hive - 2797)。

性能日志记录器

为了通过PerfLogger获得性能指标，您需要为PerfLogger类(HIVE-12675)设置调试级别日志记录。这可以通过在log4j属性文件中设置以下内容来实现。

log4j.logger.org.apache.hadoop.hive.ql.log.PerfLogger=DEBUG

如果日志程序级别已经通过root. root设置为DEBUG。日志程序，要查看性能日志，不需要上述设置。

DDL 操作

Hive DDL操作是用Hive数据定义语言记录的。

创建Hive表

 hive> CREATE TABLE pokes (foo INT, bar STRING);

创建一个名为pokes的表，该表有两列，第一列是整数，另一列是字符串。

  hive> CREATE TABLE invites (foo INT, bar STRING) PARTITIONED BY (ds STRING);

创建一个名为invite的表，其中包含两列和一个名为ds的分区列。分区列是一个虚拟列。它不是数据本身的一部分，而是从加载特定数据集的分区派生而来。

默认情况下，表被假定为文本输入格式，分隔符被假定为^A(ctrl-a)。

查询表

 hive> SHOW TABLES;

列出所有的表。

  hive> SHOW TABLES '.*s';

列出所有以“s”结尾的表。模式匹配遵循Java正则表达式。查看这个文档链接http://java.sun.com/javase/6/docs/api/java/util/regex/Pattern.html。

hive> DESCRIBE invites;

显示列的列表。

更改和删除表

表名可以更改，列可以添加或替换:

  hive> ALTER TABLE events RENAME TO 3koobecaf;
  hive> ALTER TABLE pokes ADD COLUMNS (new_col INT);
  hive> ALTER TABLE invites ADD COLUMNS (new_col2 INT COMMENT 'a comment');
  hive> ALTER TABLE invites REPLACE COLUMNS (foo INT, bar STRING, baz INT COMMENT 'baz 
 replaces new_col2');

注意，REPLACE列替换所有现有列，只更改表的模式，而不更改数据。表必须使用本机SerDe。REPLACE列也可以用于从表的模式中删除列:

 hive> ALTER TABLE invites REPLACE COLUMNS (foo INT COMMENT 'only keep the first column');

删除表

hive> DROP TABLE pokes;

Metadata Store

Metadata是一个嵌入式Derby数据库，其磁盘存储位置由Hive配置变量 javax.jdo.option.ConnectionURL 决定。默认情况下，这个位置是./metastore_db(seeconf/hive-default.xml).

现在，在默认配置中，这个元数据一次只能被一个用户看到。

Metastore可以存储在JPOX支持的任何数据库中。RDBMS的位置和类型可以由两个变量javax.jdo.option.ConnectionURL, javax.jdo.option.ConnectionDriverName. 控制。有关受支持数据库的更多细节，请参考JDO(或JPOX)文档。数据库模式在JDO元数据注释文件包中定义。在package.jdoatsrc/contrib/hive/metastore/src/model.

将来，metastore本身可以成为一个独立的服务器。

如果希望将metastore作为网络服务器运行，以便可以从多个节点访问它，请参阅在服务器模式下使用Derby的Hive。

数据操纵

Hive DML操作被记录在Hive数据操作语言中。

从平面文件加载数据到Hive中

 hive> LOAD DATA LOCAL INPATH './examples/files/kv1.txt' OVERWRITE INTO TABLE pokes;

将包含按ctrl-a分隔的两列的文件加载到pokes表中。'LOCAL'表示输入文件位于本地文件系统上。如果“LOCAL”被省略，那么它将在HDFS中查找文件。

注:

load命令不执行针对模式的数据验证。
如果文件位于hdfs中，则将其移动到Hive控制的文件系统名称空间中。

Hive目录的根目录由hive-default.xml 配置文件中的 hive.metastore.warehouse.dir指定。我们建议用户在尝试通过Hive创建表之前创建这个目录。

hive> LOAD DATA LOCAL INPATH './examples/files/kv2.txt' OVERWRITE INTO TABLE invites PARTITION (ds='2008-08-15');
hive> LOAD DATA LOCAL INPATH './examples/files/kv3.txt' OVERWRITE INTO TABLE invites PARTITION (ds='2008-08-08');

上面的两个LOAD语句将数据加载到表的两个不同分区中。表 invites 必须按键ds分区创建，才能成功。

 hive> LOAD DATA INPATH '/user/myname/kv2.txt' OVERWRITE INTO TABLE invites PARTITION (ds='2008-08-15');

上面的命令将把数据从HDFS文件/目录加载到表中。

注意，从HDFS加载数据将导致移动文件/目录。因此，操作几乎是瞬间完成的。

Sql操作

Hive查询操作记录在Select中。

实例查询

下面显示了一些示例查询。它们可以在build/dist/examples/queries中找到。

更多信息可以在ql/src/test/queries/positive的Hive源代码中找到。

SELECTS and FILTERS

hive> SELECT a.foo FROM invites a WHERE a.ds='2008-08-15';

从invite表中分区ds=2008-08-15的所有行中选择列'foo'。结果不存储在任何地方，而是显示在控制台上。

注意，在接下来的所有示例中，INSERT(插入到Hive表、本地目录或HDFS目录)是可选的。

 hive> INSERT OVERWRITE DIRECTORY '/tmp/hdfs_out' SELECT a.* FROM invites a WHERE a.ds='2008-08-15';

从invite表的分区ds=2008-08-15中选择所有行到HDFS目录中。结果数据在该目录中的文件中(取决于映射器的数量)。

注意:分区列(如果有的话)是使用*选择的。它们也可以在投影子句中指定。

  hive> INSERT OVERWRITE LOCAL DIRECTORY '/tmp/local_out' SELECT a.* FROM pokes a;

查询pokes表的所有行到本地目录。

 hive> INSERT OVERWRITE TABLE events SELECT a.* FROM profiles a;
  hive> INSERT OVERWRITE TABLE events SELECT a.* FROM profiles a WHERE a.key < 100;
  hive> INSERT OVERWRITE LOCAL DIRECTORY '/tmp/reg_3' SELECT a.* FROM events a;
  hive> INSERT OVERWRITE DIRECTORY '/tmp/reg_4' select a.invites, a.pokes FROM profiles a;
  hive> INSERT OVERWRITE DIRECTORY '/tmp/reg_5' SELECT COUNT(*) FROM invites a WHERE a.ds='2008-08-15';
  hive> INSERT OVERWRITE DIRECTORY '/tmp/reg_5' SELECT a.foo, a.bar FROM invites a;
  hive> INSERT OVERWRITE LOCAL DIRECTORY '/tmp/sum' SELECT SUM(a.pc) FROM pc1 a;

查询列的和。也可以使用avg、min或max。注意，对于不包含Hive -287的Hive版本，您需要使用COUNT(1)来代替COUNT(*)。

GROUP BY

 hive> SELECT a.foo FROM invites a WHERE a.ds='2008-08-15';

注意，对于不包含Hive -287的Hive版本，您需要使用COUNT(1)来代替COUNT(*)。

JOIN

 hive> FROM pokes t1 JOIN invites t2 ON (t1.bar = t2.bar) INSERT OVERWRITE TABLE events SELECT t1.bar, t1.foo, t2.foo;

MULTITABLE INSERT

 FROM src
  INSERT OVERWRITE TABLE dest1 SELECT src.* WHERE src.key < 100
  INSERT OVERWRITE TABLE dest2 SELECT src.key, src.value WHERE src.key >= 100 and src.key < 200
  INSERT OVERWRITE TABLE dest3 PARTITION(ds='2008-04-08', hr='12') SELECT src.key WHERE src.key >= 200 and src.key < 300
  INSERT OVERWRITE LOCAL DIRECTORY '/tmp/dest4.out' SELECT src.value WHERE src.key >= 300;

STREAMING

hive> FROM invites a INSERT OVERWRITE TABLE events SELECT TRANSFORM(a.foo, a.bar) AS (oof, rab) USING '/bin/cat' WHERE a.ds > '2008-08-09';

这将通过脚本/bin/cat(类似Hadoop流)在map阶段中传输数据。

类似地，流媒体也可以在reduce端使用(有关示例，请参阅Hive教程)。

简单的用例

MovieLens User Ratings

首先，创建一个以tab分隔的文本文件格式的表:

CREATE TABLE u_data (
  userid INT,
  movieid INT,
  rating INT,
  unixtime STRING)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
STORED AS TEXTFILE;

然后，在GroupLens数据集页面(其中还有README.txt文件和未压缩文件索引)上从MovieLens 100k下载数据文件:

wget http://files.grouplens.org/datasets/movielens/ml-100k.zip

或者

curl --remote-name http://files.grouplens.org/datasets/movielens/ml-100k.zip

注意:如果到GroupLens数据集的链接不起作用，请在HIVE-5341上报告或发送一条消息到user@hive.apache.org邮件列表。

解压数据文件:

unzip ml-100k.zip

接着将下载的数据放入刚刚创建的表中:

LOAD DATA LOCAL INPATH '<path>/u.data'
OVERWRITE INTO TABLE u_data;
Count the number of rows in table u_data:

计算u_data表中的行数:

SELECT COUNT(*) FROM u_data;

注意，对于不包含Hive -287的旧版本Hive，您需要使用COUNT(1)来代替COUNT(*)。

现在我们可以对u_data表做一些复杂的数据分析:

创建weekday_mapper.py:

import sys
import datetime

for line in sys.stdin:
  line = line.strip()
  userid, movieid, rating, unixtime = line.split('\t')
  weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday()
  print '\t'.join([userid, movieid, rating, str(weekday)])

使用mapper脚本:

CREATE TABLE u_data_new (
  userid INT,
  movieid INT,
  rating INT,
  weekday INT)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t';

add FILE weekday_mapper.py;

INSERT OVERWRITE TABLE u_data_new
SELECT
  TRANSFORM (userid, movieid, rating, unixtime)
  USING 'python weekday_mapper.py'
  AS (userid, movieid, rating, weekday)
FROM u_data;

SELECT weekday, COUNT(*)
FROM u_data_new
GROUP BY weekday;

注意，如果您正在使用Hive 0.5.0或更早版本，则需要使用COUNT(1)来代替COUNT(*)。

Apache Weblog Data

Apache weblog的格式是可定制的，而大多数web管理员使用默认格式。

对于默认的Apache weblog，我们可以使用以下命令创建一个表。

有关RegexSerDe的更多信息可以在HIVE-662和HIVE-1719中找到。

CREATE TABLE apachelog (
  host STRING,
  identity STRING,
  user STRING,
  time STRING,
  request STRING,
  status STRING,
  size STRING,
  referer STRING,
  agent STRING)
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.RegexSerDe'
WITH SERDEPROPERTIES (
  "input.regex" = "([^]*) ([^]*) ([^]*) (-|\\[^\\]*\\]) ([^ \"]*|\"[^\"]*\") (-|[0-9]*) (-|[0-9]*)(: ([^ \"]*|\".*\") ([^ \"]*|\".*\"))"
)
STORED AS TEXTFILE;

参考地址：

https://cwiki.apache.org/confluence/display/Hive/GettingStarted#GettingStarted-BuildingHivefromSource


【大中小】【打印】【繁体】【投稿】【收藏】【推荐】【举报】【评论】【关闭】【返回顶部】

上一篇：hive:Access denied for user ..	下一篇：hive:Access denied for user ..